Midiendo el impacto ambiental de la Inteligencia Artificial: responsabilidad y un paso más hacia la sostenibilidad

Introducción

La inteligencia artificial (en adelante, IA) está cada vez más presente en nuestras rutinas diarias, desde asistentes virtuales, sistemas de recomendación, hasta aplicaciones médicas y soluciones de movilidad inteligente. Sin embargo, esta expansión tecnológica, además de otras implicaciones, conlleva un elevado consumo energético, especialmente en el entrenamiento y ejecución de modelos avanzados que requieren grandes infraestructuras de computación. En este contexto, surgen dos enfoques complementarios: “Green in AI” o “Green AI”, que busca reducir el impacto ambiental de la propia inteligencia artificial mediante el diseño de modelos más eficientes y sostenibles; y “Green by AI” o “Green for AI”, que promueve el uso de la IA como aliada en la lucha contra la sostenibilidad, aplicándola en la optimización energética, la gestión de recursos naturales o la predicción de fenómenos meteorológicos. Ambos enfoques son clave para garantizar el desarrollo de la IA no solo en el ámbito de la innovación, sino también en la responsabilidad y la sostenibilidad global.

La importancia de medir y saber cómo hacerlo

Dicho lo anterior, si queremos avanzar hacia una inteligencia artificial más sostenible, es imprescindible contar con herramientas que nos permitan medir su consumo en diferentes aspectos. La medición no solo nos ofrece una visión clara del impacto medioambiental de cada modelo o aplicación, sino que también es el primer paso para tomar decisiones con conocimiento de causa y aplicar mejoras específicas. Como señaló William Thomson Kelvin: “Lo que no se define no puede medirse. Lo que no se mide no se puede mejorar. Y lo que no se mejora, se degrada siempre.” Esta expresión resume con claridad la importancia de establecer métricas y estándares que nos permitan evaluar el rendimiento de los sistemas de IA. Sin datos fiables sobre el gasto de recursos, es imposible identificar ineficiencias y por tanto, diseñar estrategias de optimización para resolverlas. Por ello, la capacidad de medir debe ser considerada una prioridad si queremos que los principios de “Green in AI” y “Green by AI” se traduzcan en acciones reales y sostenibles.

La medición no solo nos ofrece una visión clara del impacto medioambiental de cada modelo o aplicación, sino que también es el primer paso para tomar decisiones con conocimiento de causa y aplicar mejoras específicas.

Pioneros en publicar un referente para medir

Hasta ahora, no contábamos con un marco común que permitiese medir de forma homogénea el impacto medioambiental o el gasto de recursos de los sistemas de IA. Cada interesado aplicaba sus propios criterios, lo que dificultaba la comparación, la mejora y la transparencia. No existía una norma que estandarizase cómo calcular el consumo energético, la huella de carbono, el uso de agua o el rendimiento de los modelos de IA. Esta situación cambia con la reciente publicación, el pasado 9 de octubre, de la Especificación técnica UNE 0086:2025 , que establece criterios claros para la medición del consumo energético, huella de carbono, consumo del agua y rendimiento de sistemas de Inteligencia Artificial promovido desde el Programa nacional de algoritmos verdes | PNAV. Esta Especificación representa un avance hacia una inteligencia artificial más sostenible, al proporcionar una base estructurada y común que facilita la evaluación, comparación y mejora continua de los sistemas, en plena sintonía con los principios “Green in AI” y “Green by AI” previamente mencionados. Asimismo, permite informar sobre el consumo energético de los sistemas de IA tal como indica el “Código de buenas prácticas para los modelos de IA de uso general” publicado en agosto de 2025 por la Unión Europea.

Establece criterios claros para la medición del consumo energético, huella de carbono, consumo del agua y rendimiento de sistemas de Inteligencia Artificial.

El contenido se centra en los sistemas basados en aprendizaje automático, aprendizaje profundo, IA generativa y modelos de lenguaje de gran tamaño, por ser los que mayor impacto medioambiental generan. Define métricas específicas para cada fase del ciclo de vida de los modelos (desde el diseño y entrenamiento hasta la inferencia y el mantenimiento) y propone herramientas tanto de medición directa (con sensores y APIs), así como indirecta (basados en uso de memoria, características del hardware, etc).

Entrando en un mayor nivel de detalle, las métricas consideradas se dividen en las siguientes categorías de métricas: aquellas relacionadas con el modelo, que evalúan el rendimiento, precisión y robustez del sistema; de consumo energético, que permiten cuantificar la eficiencia operativa y el impacto en recursos; medioambientales, orientadas a medir la huella ecológica y la sostenibilidad del proceso; y por último, comparativas, que facilitan el análisis frente a otras soluciones o estándares de referencia, permitiendo identificar ventajas competitivas y áreas de mejora.

Gracias a estas medidas, es posible calcular el uso específico de energía y agua, así como evaluar el rendimiento general del modelo. Al combinar distintos tipos de métricas, los desarrolladores obtienen una visión más clara de las necesidades energéticas e hídricas de sus sistemas, lo que les permitiría optimizarlos y controlar su impacto medioambiental. Además, estas métricas resultan clave para validar dicho impacto dentro del análisis del ciclo de vida del producto o servicio en el que se aplica el modelo.

Con el objetivo de medir y estimar parámetros de eficiencia energética en sistemas de IA, se establecen procesos que permiten obtener métricas comparables sobre el rendimiento energético de estos sistemas en diferentes entornos de ejecución. Mediante la medición directa, la estimación en entornos locales o nube, y el cálculo de la huella de carbono, se lleva a cabo un análisis completo del ciclo de vida del sistema, lo que permite evaluar de forma precisa su impacto energético y medioambiental.

La importancia de una evaluación precisa del impacto energético de los sistemas de IA requiere reportar detalladamente la infraestructura de computación usada, incluyendo procesadores, memoria y el tipo de entorno de ejecución. Además, es esencial considerar el ciclo de vida completo del sistema, siguiendo marcos normativos como ISO/IEC 5338:2023, que permiten identificar los aspectos de sostenibilidad relevantes en cada etapa del desarrollo y ejecución. También se debe tener en cuenta el uso de modelos fundacionales y preentrenados, estimando el consumo energético asociado a su entrenamiento, adaptación y uso, especialmente en contextos de aprendizaje por transferencia o cuando se accede a ellos como servicios ofrecidos mediante APIs.

No estamos solos: construyendo juntos

No estamos solos en este esfuerzo, la elaboración de esta Especificación, promovida por la Secretaría de Estado de Digitalización e Inteligencia Artificial en colaboración con la Asociación Española de Normalización, ha contado con la participación de una treintena de entidades españolas vinculadas a la sostenibilidad, entre las que se incluyen universidades y empresas tecnológicas. Además, este trabajo en el ámbito internacional, se alinea con normas como la ISO/IEC 5338:2023, que define el ciclo de vida de los sistemas de inteligencia artificial, así como con marcos ampliamente utilizados en la industria, como CRISP-ML.

Al mismo tiempo, se están desarrollando otras iniciativas normativas centradas en el impacto medioambiental de la IA. El ISO/IEC TR 20226 ofrece una visión técnica sobre la sostenibilidad de los sistemas de IA desde el ámbito de las tecnologías de la información. La AFNOR SPEC 2314 (junio de 2024) propone un marco para fomentar una IA diseñada para ser eficiente en recursos, accesible y sostenible, orientado a medir y reducir su huella ambiental. En el contexto europeo, el CEN/CLC/TR 18145:2025 establece principios para una IA sostenible ambientalmente, mientras que la futura especificación CEN/TS Sustainable Artificial Intelligence definirá métricas y directrices para evaluar el impacto ambiental de sistemas y servicios de IA.

Ojalá esta especificación pueda servir como punto de partida para una futura norma europea en esta materia. Desde la Dirección General de IA estamos convencidos de su potencial, y trabajaremos para que esto suceda. Es una oportunidad para avanzar hacia una inteligencia artificial más responsable y sostenible, alineada con los principios del Pacto Verde Europeo.

Es una oportunidad para avanzar hacia una inteligencia artificial más responsable y sostenible, alineada con los principios del Pacto Verde Europeo.

Conclusión: conciencia, responsabilidad y acción

La inteligencia artificial está transformando nuestra vida cotidiana, pero también está dejando una huella ecológica cada vez más significativa. Es fundamental que tomemos conciencia del impacto ambiental que genera, especialmente en términos de consumo energético y uso de recursos. Por ejemplo, entrenar un único modelo avanzado como GPT-3 puede consumir tanta energía como 126 hogares de EE. UU. durante un año, generando más de 550 toneladas de CO₂. Incluso tareas aparentemente simples, como generar una página de texto con el modelo Mistral, pueden requerir hasta 45 mL de agua.

No podemos ignorar que el uso de las tecnologías de la información y la comunicación representa ya cerca del 9% del consumo eléctrico mundial, con proyecciones que apuntan a un 20% para el año 2030. A medida que la IA se expande en todos los sectores, debemos asumir una responsabilidad colectiva, así como personal, tal como ocurrió años atrás con el tema reciclaje.

Para avanzar hacia un uso más sostenible y ético de la tecnología, es imprescindible contar con herramientas que permitan medir, cuantificar y valorar de forma transparente el impacto ambiental de la inteligencia artificial. En este sentido, se ha contribuido a ello impulsando la creación de esta Especificación técnica UNE para establecer criterios comunes de cuantificar el consumo energético, la huella de carbono, el consumo de agua y el rendimiento de los sistemas de IA.

Para avanzar hacia un uso más sostenible y ético de la tecnología, es imprescindible contar con herramientas que permitan medir, cuantificar y valorar de forma transparente el impacto ambiental de la inteligencia artificial.

En definitiva, el camino hacia una IA responsable exige tomar conciencia, asumir responsabilidades y pasar a la acción para mitigar su huella ecológica. Y para todo ello, el primer paso es medir: sin medición no hay mejora posible, ni decisiones informadas, ni sostenibilidad real.

David Gómez Cordero Jefe de Área en Dirección General de IA de la Secretaría de Estado de Digitalización e Inteligencia Artificial del Ministerio para la Transformación Digital y de la Función Pública